基于PSO-SVM的空氣質量預報.pdf

1、經(jīng)濟的快速發(fā)展帶來了環(huán)境問題，其中大氣污染是其中比較嚴峻的問題之一。通過大氣污染預報模型對空氣中的顆粒物濃度進行預報，一方面分析出污染物趨勢以及各種因素對空氣質量的影響，為治理和預防大氣污染問題提供了理論依據(jù)，另一方面讓人們了解大氣污染趨勢，從而合理安排出行，以減少大氣污染對人們身體造成的嚴重傷害，同時也加強了人們的環(huán)保意識。本文以支持向量機為切入點，建立預報模型，主要做了以下幾方面工作：
　?。?）研究了支持向量機（Suppor

2、t Vector Machine，SVM）的相關知識，將其應用到空氣質量預報上。以預測 PM2.5濃度為例，確定 SVM模型的輸入和輸出，通過訓練樣本數(shù)據(jù)訓練建立預測模型。實驗結果表明，合適的核函數(shù)、懲罰系數(shù)C以及核函數(shù)參數(shù)建立起的SVM模型對大氣污染物濃度的預測精度才會高。
　?。?）研究了粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）的相關理論與技術，利用它去尋優(yōu) SVM模型中的參數(shù)，即建立

3、PSO-SVM模型來預測 PM2.5濃度。通過訓練集數(shù)據(jù)來對SVM模型中的參數(shù)進行尋優(yōu)，主要采用的是交叉驗證的思想，與以前單純根據(jù)經(jīng)驗來確定這些參數(shù)值相比，這樣建立起的PSO-SVM模型對大氣污染物濃度的預測精度更高，且更有說服性。
　　（3）輸入變量過多時會影響模型的預測準確率，需要對輸入變量賦予不平等權重從而來減少不相關因子的干擾。輸入變量的權重值在[0,1]之間，具體的權重大小由 PSO尋優(yōu)求得。通過實驗預測結果顯示，權重值

4、尋優(yōu)后的SVM模型，其預測準確率更好。
　　(4)采用聚類的思想，進一步挖掘出訓練樣本的輸入變量中存在的模式和特性。采用聚類和 SVM結合的思想，即先對數(shù)據(jù)進行聚類，比如聚成K個類，則在這在 K個類上建立 K個 SVM模型，然后對顆粒物濃度進行預測。研究了 SOM神經(jīng)網(wǎng)絡和模糊 C聚類的相關理論，從而建立 FCM-SVM和SOM-SVM模型來預測 PM2.5濃度。通過實驗結果顯示，聚類和 SVM模型的結合提高了 PM2.5濃度預報